[論文レビュー] Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines

Alexander Jaus, Constantin Seibold+6 more|arXiv (Cornell University)|Jul 25, 2023

Medical Imaging and AnalysisEngineering被引用数 3

ひとこと要約

本論文は、断片的な情報源からの知識集約と解剖学的ルールに従うnnU-Netベースの疑似ラベル付けを用いて、533体積にわたる全身CTスキャンに142の解剖学的ラベルを含む包括的でフルボディのCTセグメンテーションデータセット（DAP Atlas）を、専門家によるラベル付けを一切行わず生成する新規な手法を提示する。この手法は、BTCVで訓練データを一切使用せずに85%のDiceスコアを達成する高品質なセグメンテーション性能を示しており、人為的アノテーションを最小限に抑えてスケーラブルで自動的かつ信頼性の高い大規模医療データセット作成の可能性を実証している。

ABSTRACT

In this study, we present a method for generating automated anatomy segmentation datasets using a sequential process that involves nnU-Net-based pseudo-labeling and anatomy-guided pseudo-label refinement. By combining various fragmented knowledge bases, we generate a dataset of whole-body CT scans with $142$ voxel-level labels for 533 volumes providing comprehensive anatomical coverage which experts have approved. Our proposed procedure does not rely on manual annotation during the label aggregation stage. We examine its plausibility and usefulness using three complementary checks: Human expert evaluation which approved the dataset, a Deep Learning usefulness benchmark on the BTCV dataset in which we achieve 85% dice score without using its training dataset, and medical validity checks. This evaluation procedure combines scalable automated checks with labor-intensive high-quality expert checks. Besides the dataset, we release our trained unified anatomical segmentation model capable of predicting $142$ anatomical structures on CT data.

研究の動機と目的

• 医療画像分野において、特にマルチ構造・フルボディCTスキャン向けの包括的で統合的な解剖学的セグメンテーションデータセットの不足に取り組むこと。
• 数百のCTボリュームにわたる数百の解剖学的構造に対してボクセル単位の手動ラベル付けが、費用的にも現実的でないという課題を克服すること。
• 断片的な知識ベースと医療ガイドラインに基づく自己学習を用いて、専門家による検証を受けた高品質なセグメンテーションデータセットをスケーラブルかつ自動的に生成するパイプラインを開発すること。
• 統合的かつ包括的なデータセットを提供することで、クロスオルガンおよびシステム的解析を可能にする包括的解剖学的セグメンテーションモデルの転移学習を可能にすること。

提案手法

• 部分的にアノテートされた既存のデータセットや医療アトラスから得た断片的な知識を集約し、統一された解剖学的知識ベースを構築すること。
• nnU-Netベースの疑似ラベル付けを用いて、533体積の全身CTスキャン全体にわたり初期のセグメンテーションマスクを生成すること。
• 医療知識から導出された解剖学的ガイドラインに基づく後処理ルールを適用し、疑似ラベルの空間的・構造的妥当性を向上させること。
• 人間の専門家によるレビュー（ランダムサブセット）と外部データセット（例：BTCV）における自動ベンチマークを組み合わせたハイブリッド評価により、データセットの品質を検証すること。
• DAP Atlasデータセット上で統一されたセグメンテーションモデル（V1）と耐性の高いバリエーション（V2）を訓練し、一般化性能および分布外性能を評価すること。
• DAP Atlasデータセットおよび訓練済みモデルをオープンアクセスで公開することで、再現可能性とコミュニティ利用を促進すること。

実験結果

リサーチクエスチョン

• RQ1 放射線科医によるボクセル単位の手動ラベル付けを一切行わず、142の解剖学的ラベルを有する大規模なフルボディCTセグメンテーションデータセットを生成することは可能か？
• RQ2 解剖学的ルールに従う知識集約と自己学習パイプラインは、臨床的に妥当で正確なセグメンテーションマスクをどの程度効果的に生成できるか？
• RQ3 DAP Atlasデータセットで訓練されたモデルが、その学習データを一切使用せずにBTCVのような分布外タスクにどの程度一般化できるか？
• RQ4 全ボクセルの検査が現実的でない大規模で複雑な医療セグメンテーションデータセットの全体的な品質を、自動チェックと代表的サブセットにおける専門家レビューの組み合わせで信頼性を持って保証できるか？
• RQ5 提案手法により、標準的なトレーニングプロトコルを上回る性能を示す包括的解剖学的セグメンテーションモデルの構築が可能になるか？

主な発見

• DAP Atlasデータセットは、142の高密度解剖学的ラベルを有する533体積の全身CTスキャンから構成され、ほぼすべての主要な人体構造をカバーしており、医療専門家による承認を受けている。
• 提案された自動化パイプラインは、BTCVベンチマークで訓練データを一切使用せずに85%のDiceスコアを達成し、優れた一般化性能とモデルの頑健性を示している。
• 専門家による評価は、特にランダムに抽出されたサブセットにおいて、データセットの解剖学的妥当性と一貫性を確認しており、自動生成プロセス全体の信頼性を裏付けている。
• 耐性の高いモデルバージョン（V2）は、分布外セグメンテーションタスクにおいて標準的なnnU-Netトレーニングを上回り、一般化能力の向上を示している。
• データセットおよび訓練済みモデルは公開されており、今後の包括的解剖学的セグメンテーションおよびマルチモodalイメージングアプリケーション分野の研究を促進する。
• 全ボクセルの検査が現実的でない大規模データセットの検証に、自動チェックと標本化された専門家レビューのハイブリッド戦略が効果的であることが示された。